写一维多尺度卷积神经网络代码

当然可以！下面是一个使用PyTorch实现的一维多尺度卷积神经网络的代码示例：

import torch
import torch.nn as nn

class MultiScaleCNN(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_sizes):
        super(MultiScaleCNN, self).__init__()

        self.conv_layers = nn.ModuleList()
        for kernel_size in kernel_sizes:
            padding = kernel_size // 2  # 保持输入输出尺寸相同
            conv_layer = nn.Conv1d(in_channels, out_channels, kernel_size, padding=padding)
            self.conv_layers.append(conv_layer)

    def forward(self, x):
        outputs = []
        for conv_layer in self.conv_layers:
            output = conv_layer(x)
            outputs.append(output)

        # 使用torch.cat将多个尺度的特征图连接起来
        x = torch.cat(outputs, dim=1)

        return x

# 创建一个多尺度卷积神经网络实例
in_channels = 3
out_channels = 64
kernel_sizes = [3, 5, 7]  # 不同尺度的卷积核大小
model = MultiScaleCNN(in_channels, out_channels, kernel_sizes)

# 随机生成一个输入样本
batch_size = 10
seq_length = 100
input_data = torch.randn(batch_size, in_channels, seq_length)

# 前向传播
output = model(input_data)
print(output.shape)  # 输出特征图的形状

在这个代码示例中，我们定义了一个`MultiScaleCNN`类，它接受输入通道数`in_channels`、输出通道数`out_channels`和一系列卷积核大小`kernel_sizes`作为参数。在初始化函数中，我们使用`nn.ModuleList`创建了多个一维卷积层，并将它们存储在`conv_layers`中。

在前向传播过程中，我们遍历每个卷积层，对输入数据进行卷积操作，并将输出特征图存储在一个列表中。然后，我们使用`torch.cat`函数将多个尺度的特征图连接在一起，得到最终的输出特征图。

请注意，这只是一个简单的示例代码，实际中可能需要根据具体任务进行适当的修改和扩展。希望能对你有所帮助！如果你有任何其他问题，请随时提问。